使用 Python 抓取 Google Scholar 网页

Posted 2023-03-24

【中文标题】使用 Python 抓取 Google Scholar 网页

【英文标题】：Web scraping Google Scholar with Python

【发布时间】：2022-01-02 00:16:33

【问题描述】：

您好，我需要使用 bs4 或 Selenium 从 Google Scholar 的记录中提取摘要和 DOI。我对这样的“academic.oup”页面有疑问： https://academic.oup.com/eurheartj/article-abstract/42/Supplement_1/ehab724.1650/6394300

我无法使用 bs4 或 selenium 提取 DOI 或摘要。 这是我的硒代码：

driver = webdriver.Chrome('/Users/cante/Downloads/chromedriver_win32/chromedriver.exe')
driver.get('https://academic.oup.com/eurheartj/article-abstract/42/Supplement_1/ehab724.1650/6394300')
abstract = driver.find_elements_by_xpath('//*[@id="ContentTab"]/div[1]/div/div/section')
doi_element = driver.find_elements_by_xpath('//*[@id="ContentColumn"]/div[3]/div[1]/div/div/div[3]/div[1]/div/a')

for element in abstract:
    print(x, element.text)
for element in doi_element:
    print(x, element.text)

driver.quit()

我的结果是空的（我从页面的链接中找到了 XPath）。 这是我的 bs4 代码：

response = requests.get('https://academic.oup.com/eurheartj/article-abstract/42/Supplement_1/ehab724.1650/6394300', headers=headers)
if response.status_code != 200:
    print('Status code:', response.status_code)
    raise Exception('Failed to fetch web page ')

page = BeautifulSoup(response.text, 'html.parser')

for entry in page.find_all("seciton", attrs="class": "abstract"):
    print(entry.get_text())

而且我的结果也是空的。 有什么问题？

【问题讨论】：

尝试在requests 上设置标题。 headers = 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:94.0) Gecko/20100101 Firefox/94.0' 另外，最好使用response.raise_for_status()。还有一件事。它的section 不是seciton

你有一个抽象的元素，doi_element，可以通过显示它来使用它 .get_attribute('innerHMTL') 等等。

谢谢，也许问题出在标题上。但是我怎么知道请求函数使用的正确标头是什么？

【参考方案1】：

我建议使用 beautifulsoup 而不是 selenium。

正如 AlexDotis 在 cmets 中提到的，在您的 GET 请求中使用 headers 以获得成功的响应，即 200 Response。没有它你会得到一个404 Response。

此代码将打印摘要。 我不确定 DOI 是什么意思，所以我把它留给你。

import requests
from bs4 import BeautifulSoup

url = 'https://academic.oup.com/eurheartj/article/42/Supplement_1/ehab724.1650/6394300'
headers = "User-agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36"
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.text, 'lxml')

s = soup.find('section', class_='abstract')

divs = s.find_all('div', class_='sec')
for div in d:
    title = div.find('div', class_='title').text.strip()
    tex = None
    p_tex = div.find('p')
    if p_tex:
        tex = p_tex.text.strip()
    print(f'\ntitle\ntex\n')